| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景和意义 | 第10-11页 |
| 1.2 故障诊断技术国内外研究现状 | 第11-12页 |
| 1.3 数据挖掘技术在故障诊断中的应用现状 | 第12-14页 |
| 1.4 本文研究的主要内容及组织结构 | 第14-16页 |
| 第2章 滚动轴承故障诊断的理论基础 | 第16-22页 |
| 2.1 滚动轴承振动机理 | 第16页 |
| 2.2 滚动轴承故障类型及常用诊断方法 | 第16-18页 |
| 2.3 滚动轴承振动信号特征 | 第18-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 神经网络在故障诊断中的应用 | 第22-33页 |
| 3.1 神经网络概论 | 第22-23页 |
| 3.2 概率神经网络的分类预测 | 第23-27页 |
| 3.2.1 PNN神经网络的学习算法 | 第24-25页 |
| 3.2.2 PNN神经网络在故障诊断中的应用 | 第25-27页 |
| 3.3 SOM神经网络的数据分类 | 第27-31页 |
| 3.3.1 SOM神经网络的学习算法 | 第28-29页 |
| 3.3.2 SOM神经网络在故障诊断中的应用 | 第29-31页 |
| 3.4 概率神经网络与SOM神经网络的比较 | 第31-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第4章 流形学习算法 | 第33-43页 |
| 4.1 流形学习的概念 | 第33-34页 |
| 4.2 典型的流形学习算法 | 第34-37页 |
| 4.3 流形学习的局限性 | 第37-38页 |
| 4.4 PCA算法与LE算法的比较 | 第38-39页 |
| 4.5 LE算法的改进 | 第39-42页 |
| 4.6 本章小结 | 第42-43页 |
| 第5章 LE算法在军用航空发动机滚动轴承故障诊断中的应用 | 第43-58页 |
| 5.1 故障诊断步骤和样本的选择 | 第43-44页 |
| 5.2 小波降噪 | 第44-45页 |
| 5.3 滚动轴承故障特征值提取 | 第45-54页 |
| 5.3.1 基于时域分析法的故障特征值提取 | 第46-50页 |
| 5.3.2 基于频域分析法的故障特征值提取 | 第50-54页 |
| 5.4 SOM与LE结合 | 第54-57页 |
| 5.5 本章小结 | 第57-58页 |
| 第6章 总结和展望 | 第58-60页 |
| 6.1 本文工作总结 | 第58-59页 |
| 6.2 全文展望 | 第59-60页 |
| 参考文献 | 第60-62页 |
| 作者简介及在学期间所取得的科研成果 | 第62-63页 |
| 致谢 | 第63页 |